- 博客(13)
- 收藏
- 关注
RSS订阅原创 李宏毅深度学习(7)-总结
这次的学习主要有2点收获。1、进一步扎实了自己的机器学习基础。主要要背后的一些数学原理，之前一直迷迷糊糊，这一次的学习让自己有种恍然大悟的感觉；2、遇见了李宏毅这么好的老师。以前总认为付费的课程质量才会比较高，结果盲目去追求那些乱七八糟不同平台的机器学习课程。现在看来，他们讲授的课程深度与李宏毅老师差异巨大，真的是相见恨晚；我发现李宏毅老师2021年更新了新的机器学习课程，里面还加入了最近比较火的算法，例如Bert、transformer等等，正是自己一直觉得很难不敢去触碰的内容。我相信李宏毅老师一定
2021-07-25 17:52:33
422
原创 李宏毅机器学习(6)-卷积神经网络
本次学习课程讲述了深度学习中的基础内容——卷积神经网络CNN。首先分别从Small region、Same Pattern和Subsamping三个角度引入CNN的设计思路；接着详细介绍了CNN的架构，Convolutional、MaxPooling和Flatten，并通过Keras代码简单实现了CNN；同时从形象意义上分析了CNN到底从图像中学习到了什么东西；最后讲述了CNN的一些典型应用，例如围棋、AlphaGo、语音和文本等等。参考资料：Datawhale组队学习【李宏毅机器学习笔记】
2021-07-24 22:57:44
347
原创 李宏毅机器学习(4)-深度学习简介+反向传播
深度学习的发展趋势回顾一下 deep learning 的历史：感知机（Perceptron）非常像我们的逻辑回归（Logistics Regression）只不过是没有sigmoid激活函数。09 年的 GPU 的发展是很关键的，使用 GPU 矩阵运算节省了很多的时间。深度学习的三个步骤我们都知道机器学习有三个 step，对于 deep learning 其实也是 3 个步骤：Step1：神经网络（Neural network）Step2：模型评估（Goodness of func
2021-07-18 13:22:38
183
原创 李宏毅机器学习(二)-回归
所谓回归（Regression）,就是找到一个函数（function），通过输入特征x，输出数值类型的标签（Scalar）。构建回归模型的步骤与第一节中机器学习的步骤类似，分别为：step1：模型假设，选择模型框架（线性模型）step2：模型评估，如何判断众多模型的好坏（损失函数）step3：模型优化，如何筛选最优的模型（梯度下降）李宏毅老师通过宝可梦的案例，对一元线性模型、多元线性模型、损失函数、梯度下降等概念进行了深入浅出的讲解， 并对过拟合问题进行了详细的分析。对于预防过拟
2021-07-14 23:18:33
98
1
原创 李宏毅机器学习(一)-机器学习介绍+为什么要进行机器学习？
一、AI的起源人工智能AI不是新的词汇，早在1950年代就有了。那么这个词意味着什么呢？这个词意味着一个人类长远以来的目标，希望机器可以跟人一样的聪明。在科幻小说里面，我们看要很多这样的幻想和期待。但很长段时间里面，人们并不知道怎么做到人工智能这件事情，直到后来，大概 1980 年代以后，有了机器学习的方法。那么机器学习顾名思义，就是让机器具有学习的能力。二、AI与ML、ML与DL的关系人工智慧是我们想要达成的目标，而机器学习是想要达成目标的手段，希望机器通过学习方式，他跟人一样聪明。而深度学习就
2021-07-12 23:12:38
216
1
原创 图神经网络/GNN(八)-总结
第一次参加这么长时间的学习项目，历时26天，一共有7个Task。同时也是第一次担任队长，承担起自己整个小队的学习任务。回想起来，整个过程有得有失。得到的是大致了解了图神经网络的框架，总结了大量笔记以及学习到其他人的优秀笔记。失去的是由于任务的后半段时间遇上了自己第一次进实验室的时间，日常事务的处理导致学习项目的时间被极大地压缩了，有些内容没有能很好地消化，总体上距离自己初期定下的目标还有一些差距。希望今后能借助这次学习项目的学习资料和笔记，继续进一步深入学习图神经网络，争取早日达到精通水平。..
2021-07-11 00:18:00
203
原创 图神经网络/GNN(六)-基于图神经网络的图表征学习方法
麻烦助教晚点修改我的作业哈，还有一些学习笔记内容没有整理完想再补充点，谢谢谢谢~本次作业请画出下方图片中的6号、3号和5号节点的从1层到3层到WL子树。 - 解答：6号 3号 5号 参考资料：Datawhale组队学习【图神经网络】...
2021-07-05 21:56:51
1619
原创 图神经网络/GNN(五)-超大图上的节点表征学习
【作业还有一部分有待完善，麻烦助教稍等稍等修改哈，谢谢谢谢！】一、使用传统方法处理超大图的问题算力问题： 随着图神经网络层数增加，计算成本 呈指数增长 ；内存问题： 保存整个图的信息和每一层每个节点的表征到内存（显存）而消耗 巨大内存（显存）空间 ；精度损耗问题： 无需保存整个图信息和每一层每个节点表征的方法，可能会损失预测精度 或者对内存利用率提高不明显 。二、Cluster-GCN方法正是由于传统的方法存在以上的各种局限，于是有研究者提出了Cluster-GCN方法，解决.
2021-07-01 22:58:23
1295
2
原创 图神经网络/GNN(三)-基于图神经网络的节点表征学习
图神经网络/GNN(三)-基于图神经网络的节点表征学习Task3概览在图任务当中，首要任务就是要生成节点特征，同时高质量的节点表征也是用于下游机器学习任务的前提所在。本次任务通过GNN来生成节点表征，并通过基于监督学习对GNN的训练，使得GNN学会产生高质量的节点表征。主要内容为：经典图神经网络（GCN、GAT）的原理基准数据集介绍与使用基于图卷积层的节点预测任务实战对比实验结果分析一、经典图神经网络（GCN、GAT）的原理图神经网络有很多种不同的变体，单就图卷积操作这一
2021-06-23 22:47:55
3318
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人